Cálculo das Probabilidades II
|
|
- Isaac Diegues Aires
- 8 Há anos
- Visualizações:
Transcrição
1 Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Departamento de Estatística Cálculo das Probabilidades II Prof: Mariane Branco Alves 2006 Mariane Branco Alves - Todos os direitos reservados.
2 Reserve tempo à reflexão. O menor detalhe pode ser o mais essencial. SHERLOCK HOLMES (trecho de "A Aventura do Círculo Vermelho", Sir Arthur Connan Doyle)
3 Sumário 1 Revisão de Conceitos Fundamentais em Probabilidade Interpretações de Probabilidade e Definição Axiomática Definição Axiomática Probabilidade Condicional e Independência Regra da Multiplicação Regra da Probabilidade Total Teorema de Bayes Independência Exercícios 11 2 Variáveis Aleatórias Discretas Introdução Alguns Modelos Probabilísticos para Variáveis Aleatórias Discretas Uniforme Bernoulli(p) Binomial(n,p) Hipergeométrica(N,n,r) Geométrica(p) Pascal(r,p) ou Binomial Negativa(r,p) Poisson(λ) Momentos de Variáveis Aleatórias Discretas Exercícios 24 3 Variáveis Aleatórias Contínuas Introdução Alguns Modelos Probabilísticos para Variáveis Aleatórias Contínuas Uniforme Contínua(a,b) Normal(µ,σ 2 ) Exponencial(λ) Gama(α, λ) Qui-quadrado(n) Beta(α, β) Weibull(α, λ) T de Student(k) F de Fisher-Snedcor(d 1,d 2 ) 41 3
4 SUMÁRIO Momentos de Variáveis Aleatórias Contínuas Exercícios 43 4 Funções de Variáveis Aleatórias Distribuição de Y = h(x) Caso1: X é variável aleatória discreta e Y = h(x) é variável aleatória discreta Caso2: X é variável aleatória contínua e Y = h(x) é variável aleatória discreta Caso3: X é variável aleatória contínua e Y = h(x) é variável aleatória contínua Esperança de Y = h(x) Exercícios 51 5 Funções Geratrizes de Momentos Introdução Uso de M X (t) para determinação dos momentos de X Propriedades da Função Geratriz de Momentos Uso de Funções Geratrizes de Momentos para a Determinação de Propriedades Reprodutivas Exercícios 57
5 CAPÍTULO 1 Revisão de Conceitos Fundamentais em Probabilidade 1.1 Interpretações de Probabilidade e Definição Axiomática Definição 1.1. : Um experimento que pode fornecer diferentes resultados, se repetido essencialmene sob as mesmas condições, é dito experimento aleatório. Notação: ε Definição 1.2. O conjunto de todos os possíveis resultados de um experimento aleatório ε é denominado espaço amostral de ε. Notação: Ω Definição 1.3. Um evento é um subconjunto do espaço amostral de um experimento aleatório. Notação: letras maiúsculas. Definição 1.4. Dois evento A e B são disjuntos ou mutuamente exclusivos ou mutuamente excludentes se A B = /0. Objetivo: Atribuir um número real a cada evento o qual avaliará quão verossímil será a ocorrência de A quando o experimento for realizado. Este número será a probabilidade associada ao evento A. Freqüentista: A probabilidade associada a um evento é dada pela freqüência relativa com que tal evento ocorreria, caso o experimento aleatório fosse repetido um grande número de vezes, sob as mesmas condições. Críticas: Quão grande deve ser o número de repetições do experimento aleatórios? Na prática, só seria aplicável a experimentos dos quais se possa fazer um grande número de repetições. Clássica: Se um espaço amostral Ω é composto por n resultados igualmente verossímeis, então a probabilidade associada a cada resultado é 1/n. Se o evento A é formado por n A resultados, então P(A) = n A n. Críticas: A definição é circular Como calcular probabilidades o espaçamostral não é finito ou não tem elementos equiprováveis? 5
6 1.1 INTERPRETAÇÕES DE PROBABILIDADE E DEFINIÇÃO AXIOMÁTICA 6 Subjetiva: A probabilidade que cada pessoa atribui a um evento é uma representação de suas crenças sobre o processo estudado, baseado em sua informação prévia sobre este processo. Críticas: Garantir a consistência e ausência de contradições nas atribuições subjetivas para problemas complexos é difícil. Pessoas diferentes podem fazer atribuições diferentes Definição Axiomática Definição 1.5. Seja ε um experimento aleatório e Ω o espaço amostral associado a ε. A distribuição de probabilidades ou, simplesmente, probabilidade em Ω é uma especificação de números P(.) que satisfazem a: (i) Para qualquer evento A, P(A) 0 (ii) P(Ω) = 1 (iii) Para qualquer seqüência de eventos disjuntos A 1,A 2,, ( ) P = P(A i ). i=1 i=1 Decorrem dos axiomas (i), (ii) e (iii) as seguintes propriedades (demonstrar!): P.1: P(/0) = 0. P.2: Para qualquer seqüência de n eventos disjuntos A 1,A 2,,A n : ( ) n n P = P(A i ). i=1 i=1 P.3: Se A c é o evento complementar a A, então P(A c ) = 1 P(A), A. P.4: A,0 P(A) 1. P.5: Se A B, então P(A) P(B). P.6: Para quaiquer dois eventos A e B, P(A B) = P(A) + P(B) P(A B). Extensão: Sejam A 1,A 2,,A n eventos quaisquer. Então: ) P ( n i=1 = n i=1 P(A i ) P(A i A j ) + P(A i A j A k ) + i< j i< j<k
7 1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA Probabilidade Condicional e Independência Exemplo 1.1. ε : Lançamento de um dado não-viciado Ω = {1,2,3,4,5,6}. Seja o evento A: resultado 6 A = {6}. Como o espaço amostral é finito, com elementos equiprováveis, então: P(A) = n A n = 1 6. Seja, agora, o evento B: resultado par B = {2,4,6}. A probabilidade de que o resultado seja 6, uma vez que se saiba que o resultado é par, é 1 6. Definição 1.6. A probabilidade condicional de um evento A, dado um evento B, é: P(A B) = No exemplo anterior, tem-se: P(A B), se P(B) > 0. (1.1) P(B) P(A B) = n A B n n Bn = n A B n B = 1 6, pois (A B) = {6} Regra da Multiplicação De (1.1) tem-se, diretamente, que: P(A B) = P(B)P(A B) = P(A)P(B A) (1.2) Regra da Probabilidade Total Definição 1.7. Uma coleção de eventos A 1,A 2,,A n forma uma partição do espaço amostral Ω se os eventos A i s são disjuntos (A i A j = /0, i j) e exaustivos ( n i=1 A i = Ω).
8 1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA 8 Sejam A 1,A 2,,A n eventos formando uma partição do espaço amostral Ω e B um evento qualquer em Ω. Então: P(B) = P[{B A 1 } {B A 2 } {B A n }] disj. = P(B A 1 ) + P(B A 2 ) + P(B A n ) (1.2) = P(B A 1 )P(A 1 ) + + P(B A n )P(A n ) (1.3) Teorema de Bayes Sejam A 1,A 2,,A n eventos formando uma partição do espaço amostral Ω, B um evento qualquer em Ω e suponha conhecidas P(B A i ) e P(A i ), i = 1,2, n. Então: P(A j B) (1.1) = P(A j B) P(B) (1.2) = P(B A j)p(a j ) P(B) (1.3) = P(B A j )P(A j ) P(B A 1 )P(A 1 ) + + P(B A n )P(A n ) (1.4) Exercício: Um certo item é produzido exclusivamente em uma das unidades de uma fábrica: I, II ou III. Sabe-se que o volume de produção da unidade I é o dobro da unidade II e que II e III têm volumes iguais de produção. Ainda, são defeituosos: 2% dos produtos fabricados na unidade I, 2% dos fabricados na unidade II e 4% dos fabricados na unidade III. Se todos os itens são armazenados em um depósito comum e seleciona-se um item ao acaso: (a) qual é a probabilidade de que seja defeituoso? (b) qual é a probabilidade de que tenha sido produzido na fábrica I, se é defeituoso? (c) qual é a probabilidade de que tenha sido produzido na fábrica I, se não é defeituoso? Independência Definição 1.8. Dois eventos A e B são ditos independentes se P(A B) = P(A) P(B). (1.5)
9 1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA 9 Observe-se que se A e B são independentes, então, de (1.1) tem-se que: P(A B) P(A B) = P(B) P(A B) P(B A) = P(A) (1.5) = (1.5) = P(A) P(B) = P(A) P(B) P(A) P(B) = P(B) (1.6) P(A) Exemplo 1.2. ε: Lançamento simultâneo de um dado e uma moeda, ambos não-viciados. Ω = {(CA,1)(CA,2)(CA,3)(CA,4)(CA,5)(CA,6)(CO,1)(CO,2)(CO,3)(CO,4)(CO,5) (CO,6)}. Sejam os eventos: A : {(6,CA),(6,CO)}: resultado 6 B : {(2,CA),(2,CO),(4,CA),(4,CO),(6,CA),(6,CO)}: resultado par C : {(CO,1),(CO,2),(CO,3),(CO,4),(CO,5),(CO,6)}: resultado coroa. Como o espaço amostral é finito e com elementos equiprováveis, tem-se: P(A) = n A n = 2 12 = 1 6 P(A B) = P(A B) P(B) = n A B n n Bn = n A B n B = 2 6 = 1 3 P(A), A e B são dependentes. P(A C) = P(A C) P(C) = n A C n n Cn = n A C n C = 1 6 = 1 6 = P(A), A e C são independentes. Importante: Disjunção Independência: Em geral, eventos disjuntos são it dependentes, a menos que a probabilidade de pelo menos um deles seja nula. Prova: Suponha que A e B sejam disjuntos. Então P(A B) = 0. Se, além de disjuntos, forem independentes, então P(A B) = P(A) P(B), o que implica que P(A) = 0 ou P(B) = 0 ou ambas.
10 1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA 10 Obs: A informação de independência entre eventos interfere no cálculo de probabilidades de interseções. A informação de disjunção entre eventos interfere na forma como são calculadas probabilidades de uniões Exemplo 1.3. Calculando probabilidades para eventos associados a espaços amostrais em que os elementos não são equiprováveis. ε : Selecionam-se, aleatoriamente, 4 pessoas e verifica-se a condição doente ou sadio para cada uma. Hipóteses: Assuma que haja independência entre os indivíduos e que a probabilidade de que qualquer indivíduo seja sadio é p. Seja o evento: A: Dois indivíduos, entre os 4 observados, são sadios. Denote-se por: S: indivíduo sadio ("sucesso") F: indivíduo doente ("fracasso"). Determine P(A). Espaço amostral e probabilidade associada a cada um de seus elementos: i w i P(w i ) 1 FFFF P(w 1 ) = P(F 1 F 2 F 3 F 4 ) ind = P(F 1 )P(F 2 )P(F 3 )P(F 4 ) = (1 p) 4 2 SFFF P(w 2 ) = P(S 1 F 2 F 3 F 4 ) ind = P(S 1 )P(F 2 )P(F 3 )P(F 4 ) = p(1 p) 3 3 FSFF P(w 3 ) = P(F 1 S 2 F 3 F 4 ) ind = P(F 1 )P(S 2 )P(F 3 )P(F 4 ) = p(1 p) 3 4 FFSF P(w 4 ) = P(F 1 F 2 S 3 F 4 ) ind = P(F 1 )P(F 2 )P(S 3 )P(F 4 ) = p(1 p) 3 5 FFFS P(w 5 ) = P(F 1 F 2 F 3 S 4 ) ind = P(F 1 )P(F 2 )P(F 3 )P(S 4 ) = p(1 p) 3 6 SSFF P(w 6 ) = P(S 1 S 2 F 3 F 4 ) ind = P(S 1 )P(S 2 )P(F 3 )P(F 4 ) = p 2 (1 p) 2 7 SFSF P(w 7 ) = P(S 1 F 2 F 3 F 4 ) ind = P(S 1 )P(F 2 )P(S 3 )P(F 4 ) = p 2 (1 p) 2 8 SFFS P(w 8 ) = P(S 1 F 2 F 3 S 4 ) ind = P(S 1 )P(F 2 )P(F 3 )P(S 4 ) = p 2 (1 p) 2 9 FSSF P(w 9 ) = P(F 1 S 2 S 3 F 4 ) ind = P(F 1 )P(S 2 )P(S 3 )P(F 4 ) = p 2 (1 p) 2 10 FSFS P(w 10 ) = P(F 1 S 2 F 3 S 4 ) ind = P(F 1 )P(S 2 )P(F 3 )P(S 4 ) = p 2 (1 p) 2 11 FFSS P(w 11 ) = P(F 1 F 2 S 3 S 4 ) ind = P(F 1 )P(F 2 )P(S 3 )P(S 4 ) = p 2 (1 p) 2 12 FSSS P(w 12 ) = P(F 1 S 2 S 3 S 4 ) ind = P(F 1 )P(S 2 )P(S 3 )P(S 4 ) = p 3 (1 p) 13 SFSS P(w 13 ) = P(S 1 F 2 S 3 S 4 ) ind = P(S 1 )P(F 2 )P(S 3 )P(S 4 ) = p 3 (1 p) 14 SSFS P(w 14 ) = P(S 1 S 2 F 3 S 4 ) ind = P(S 1 )P(S 2 )P(F 3 )P(S 4 ) = p 3 (1 p) 15 SSSF P(w 15 ) = P(S 1 S 2 S 3 F 4 ) ind = P(S 1 )P(S 2 )P(S 3 )P(F 4 ) = p 3 (1 p) 16 SSSS P(w 16 ) = P(S 1 S 2 S 3 S 4 ) ind = P(S 1 )P(S 2 )P(S 3 )P(S 4 ) = p 4
11 1.3 EXERCÍCIOS 11 Finalmente, P(A) = P(w 6 w 7 w 8 w 9 w 10 w 11 ) dis j. = 11 i=6 P(w i ) = 6p 2 (1 p) 2. Questão: E se desejássemos determinar P(A), mas agora com base em uma amostra de tamanho 50? Obviamente o espaço amostral Ω torna-se mais complexo e, portanto, o cálculo de probabilidades diretamente em Ω fica mais difícil. Muitas vezes, o espaço amostral sequer é finito!! Solução: Tratamento das quantidades de interesse em ε e reconhecimento de leis de formação no cálculo de probabilidades. 1.3 Exercícios 1. Determine um espaço amostral para cada um dos seguintes experimentos aleatórios: a) Investigam-se famílias com 4 crianças, anotando-se a configuração segundo o sexo. b) Numa entrevista telefônica com 250 assinantes, pergunta-se se o proprietário tem ou não máquina de secar roupa. c) Mede-se a duração de lâmpadas, deixanso-as acesas até que queimem. d) Um fichário com 10 nomes contém 3 nomes de mulheres. Seleciona-se ficha após ficha, até o último nome de mulher ser selecionado e anota-se o número de fichas selecionadas. e) De um grupo de 5 pessoas {A,B,C,D,E} sorteiam-se duas, uma após a outra, com reposição, e anota-se a configuração formada. f) Idem, considerando sorteio sem reposição. 2. Expresse em termos de operações entre eventos: a) A ocorre, mas B não ocorre. b) Exatamente um dos eventos A e B ocorre. c) Nenhum dos eventos A e B ocorrem. 3. Na figura 1 (ao final da lista), temos um sistema com três componentes funcionando independentemente, com confiabilidades (probabilidades de funcionamento) p 1, p 2 e p 3. Obtenha a confiabilidade do sistema. 4. Na tabela a seguir, os números que aparecem são as probabilidades das interseções entre os eventos em questão. Verifique se A e B são independentes.
12 1.3 EXERCÍCIOS Supondo que todos os componentes do sistema representado na figura 2 (ao final da lista) tenham confiabilidade p e funcionem independentemente, obtenha a confiabilidade do sistema. 6. Uma companhia produz circuitos integrados em três fábricas: I, II e III. A fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As probabilidades de que um circuito integrado produzido por estas fábricas não funcione são 0,01,0,04 e 0,03, respectivamente. a) Escolhido um circuito na produção conjunta das três fábricas, qual é a probabilidade de não funcionar? b) Caso o circuito escolhido não funcione, qual é a probabilidade de ter sido fabricado por I? c) Caso o circuito escolhido funcione, qual é a probabilidade de ter sido fabricado por I? 7. Uma companhia de seguros analisou a freqüência com que 2000 segurados (1000 homens e 1000 mulheres) usaram hospital. Os resultados são apresentados na tabela a seguir: a) Qual a probabilidade de que uma pessoa segurada use o hospital? b) O uso do hospital independe do sexo do segurado? 8. Para se estudar o comportamento do mercado automobilístico, as marcas foram divididas em 3 categorias: marca F, marca W e as demais reunidas como marca X. Um estudo sobre os hábitos de mudança de marca mostrou o seguinte quadro de probabilidades:
13 1.3 EXERCÍCIOS 13 O primeiro carro que um indivíduo compra é da marca W com probabilidade 50 a) Qual é a probabilidade de que o terceiro carro de um indivíduo seja da marca W? b) Se o terceiro carro é da marca W, qual é a probabilidade de o primeiro também ter sido W? 9. Mostre que se A e B são eventos independentes, então: P(A B c ) = P(A).P(B c ) e P(A c B c ) = P(A c ).P(B c ). 10. Sejam A e B eventos tais que P(A) = 0,4, P(A B) = 0,7 e P(B) = p. a) Para qual valor de p A e B são disjuntos? b) Para qual valor de p A e B são independentes? 11. Suponha que nos sistemas representados nas figuras 3.a e 3.b, a probabilidade de que cada relé esteja fechado seja p e que a abertura ou fechamento de cada relé independa dos demais. Em cada caso, determine a probabilidade de que a corrente passe de L para R.
14 CAPÍTULO 2 Variáveis Aleatórias Discretas 2.1 Introdução Definição 2.1. Uma variável aleatória é uma função que confere um número real a cada resultado no espaço amostral de um experimento aleatório: X : Ω R X R w X(w) Se o conjunto R X de valores possíveis de X for finito ou infinito enumerável, X é variável aleatória discreta. Caso contrário, X é variável aleatória contínua. Notação: Variáveis aleatórias são denotadas por letras maiúsculas. Realizações valores observados de variáveis aleatórias são denotados por letras minúsculas Exemplo 2.1. ε : Seleção aleatória de 100 pessoas. Defina as variáveis aleatórias: X: número de pessoas, entre as 100, que possuem uma característica de interesse. R X = {0,1,2,3,,100} finito X é v.a. discreta. Y : proporção de pessoas, entre as 100, que possuem uma característica de interesse. 1 R Y = {0, 100, 2 100, 3 100,,1} finito Y é v.a. discreta. Z: altura de cada uma das 100 pessoas. R Z = R + infinito, não enumerável Z é v.a. contínua. W: Número de pessoa selecionadas, com reposição, entre as 100, até que se encontre uma que tenha a característica de interesse R W = {1,2,3, } infinito, enumerável W é v.a. discreta. Definição 2.2. A função de distribuição acumulada (f.d.a) de uma variável aleatória X é dada por: F X : R [0,1] x F X (x) = P(X x). (2.1) 14
15 2.1 INTRODUÇÃO 15 Definição 2.3. A função de probabilidade (f.p.) de uma variável aleatória discreta X é dada por: e satisfaz a: (i) p X (x) 0, x (ii) R p X (x) = 1. p X : R [0,1] x p X (x) = P(X = x) (2.2) Se X é variável aleatória discreta, então sua f.d.a. á calculada da seguinte forma: F X (x) = P(X x) = p X (x j ). (2.3) x j x A função de distribuição acumula, no caso discreto, tem a forma de função escada, como ilustra a figura 2.1, anulando-se quando x e tendendo a 1 quando x. Ainda, apresenta saltos de magnitude p X (x) e os pontos de descontinuidade são os possíveis valores de X. Figura 2.1 Função de distribuição acumulada de uma variável aleatória discreta Assim como se pode obter a f.d.a. F X (x) a partir da f.p. p X (x), a recíproca também vale: p X (x) = F X (x) F X (x ), F X (x ) = lim x x F X(x). (2.4) Definição 2.4. A coleção de pares [x i, p X (x i )] é denominada distribuição de probabilidades de X.
16 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS Alguns Modelos Probabilísticos para Variáveis Aleatórias Discretas Exemplo 2.2. Voltemos ao exemplo 1.3. Defina a variável aleatória: X Número de pessoas sadias, entre as 4 selecionadas. Tem-se, então: i w i P(w i ) x 1 FFFF (1 p) SFFF p(1 p) FSFF p(1 p) FFSF p(1 p) FFFS p(1 p) SSFF p 2 (1 p) SFSF p 2 (1 p) SFFS p 2 (1 p) FSSF p 2 (1 p) FSFS p 2 (1 p) FFSS p 2 (1 p) FSSS p 3 (1 p) 3 13 SFSS p 3 (1 p) 3 14 SSFS p 3 (1 p) 3 15 SSSF p 3 (1 p) 3 16 SSSS p 4 4 Portanto, a distribuição de X é: x p X (x) = P(X = x) 0 (1 p) 4 = 1 4p(1 p) 3 = 2 6p 2 (1 p) 2 = 3 4p 3 (1 p) = 4 p 4 = ( ) 4 p 0 0 (1 p) 4 0 ( ) 4 p 1 1 (1 p) 4 1 ( ) 4 p 2 2 (1 p) 4 2 ( ) 4 p 3 3 (1 p) 4 3 ( ) 4 p 4 4 (1 p) 4 4 Ou, resumidamente: p X (x) = ( ) 4 p x (1 p) 4 x, x x = 0,1,2,3,4 = 0, para outros valores de X.
17 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 17 Observe que foi possível obter uma lei de formação ou fórmula fechada para ao cálculo das probabilidades associadas a quaisquer valores da variável aleatória X. Tem-se, então, um modelo probabilístico para X. Questão: Sob as mesmas condições anteriores, qual seria a distribuiçào de probabilidade da variável aleatória Y : número de sadios entre 100 pacientes selecionados? Passaremos a descrever, nas subseções a seguir, alguns dos modelos probabilísticos discretos mais usuais Uniforme Suponha um experimento aleatório ε determinado pela seleção aleatória de um valor, entre n valores possíveis, com espaço amostral Ω = {a 1,a 2,,a n }. Seja X a variável aleatória que indica o valor selecionado. X : Ω R X = {x 1,x 2,,x n } w X(w) Note-se que, em geral, nesse caso, X é a função identidade, levando cada elemento do espaço amostral, a i, a x i = a i. Diz-se que a variável aleatória discreta X tem distribuição Uniforme se os n possíveis valores de X, R X = {x 1,x 2,,x n } ocorrem todos com mesma probabilidade. Portanto, a função de probabilidade de X é: { 1n, x = x p X (x) = 1,x 2,,x n 0, c.c. (2.5) Notação: X U{x 1,x 2,,x n } Bernoulli(p) Suponha um experimento aleatório ε dado pela seleção aleatória de um elemento, que pode ser "sucesso" (S, com probabilidade p) ou "fracasso" (F, com probabilidade 1 p, tendo-se, portanto, espaço amostral Ω = {S,F}. Seja X a variável aleatória indicadora de sucesso, isto é,. { 1, se ocorre sucesso X = 0, c.c. X : Ω R X = {1,0} w X(w)
18 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 18 A função de probabilidade de X é: { p p X (x) = x (1 p) 1 x, x = 0,1 0, c.c. (2.6) Notação: X Ber(p) Binomial(n,p) Seja o experimento aleatório ε composto por n repetições de ensaios de Bernoulli independentes, todos com probabilidade de "sucesso" p, resultantes da seleção aleatória e com reposição de n elementos de uma população com tamanho qualquer. O espaço amostral associado a ε pode ser escrito como Ω = {a 1,a 2,,a n : a i = S ou F}. Denote por X variável aleatória que representa o número de sucessos observados nas n repetições. A função de probabilidade de X é: X : Ω R X = {0,1,2,,n} w X(w) ( ) n p p X (x) = x x (1 p) n x, x = 0,1,2,,n 0, c.c. (2.7) Notação: X Bin(n, p) Obs: X Bin(1, p) X Ber(p) Hipergeométrica(N,n,r) Adimita agora que o experimento aleatório de interesse, ε, seja composto por n repetições de ensaios de Bernoulli dependentes, todos com probabilidade de "sucesso" N r, resultantes da seleção aleatória e sem reposição de uma amostra de tamanho n, a partir de uma população com N elementos, dos quais r são sucessos. Pode-se, então, representar o espaço amostral do experimento por: Ω = {a 1,a 2,,a n : a i = S ou F,a i a j,i j}. Seja X variável aleatória que registra o número de sucessos nas n repetições. A função de probabilidade de X é: X : Ω R X = {0,1,2,,min(n,r)} w X(w)
19 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 19 )( N r ) p X (x) = ( r x ( N n 0, c.c. n x ), x = 0,1,2,,min(n,r) (2.8) Notação: X Hip(N,n,r) Aproximação da Hipergeométrica pela Binomial: As condições do experimento aleatório realizado no modelo Binomial diferem daquelas sob os quais vale o modelo Hipergeométrico apenas quanto à forma de seleção da amosta: com reposição ou sem reposição. Entretanto, se o tamanho da amostra for pequeno em relação à população, dificilmente um mesmo elemento será selecionado mais que uma vez e, portanto, a amostragem com reposição fornece resultados próximos aos da amostragem com reposição. Assim, se, no modelo Hipergeométrico, n < 0,10N X Hip(N,n,r) X Bin ( n, r N ) Geométrica(p) Seja ε o experimento aleatório dado por repetições de ensaios de Bernoulli independentes, todos com probabilidade de "sucesso" p, resultantes da seleção aleatória e com reposição de elementos até obter sucesso, tendo, portanto, espaço amostral: Ω = {S, FS, FFS, }. Defina X como a variável aleatória que representa o número de ensaios de Bernoulli até obter o 1 o sucesso. A função de probabilidade de X é: X : Ω R X = {1,2, } w X(w) { (1 p) p X (x) = x 1 p, x = 1,2, 0, c.c. (2.9) Notação: X Geo(p)
20 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 20 Se X Geo(p), então: Propriedade de Falta de Memória da Geométrica: P(X > t + s X > t) = P(X > s) (2.10) Exercício: Demonstre a Propriedade de Falta de Memória da distribuição Geométrica. Dica: use a definição de probabilidade condicional e o fato de que a soma dos termos de uma P.G de razão q: S n = a 1(1 q n ). 1 q Pascal(r,p) ou Binomial Negativa(r,p) Seja o experimento aleatório ε composto por repetições de ensaios de Bernoulli independentes, todos com probabilidade de "sucesso" p, resultantes da seleção aleatória e com reposição de elementos até obter r sucessos. O espaço amostral é dado por Ω = {a 1,a 2,,a k : a k = S e (r 1)dos a i s são S,i < k,k r}. Defina X: a variável aleatória que registra o número de ensaios de Bernoulli até obter r sucessos. A função de probabilidade de X é: X : Ω R X = {r,r + 1, } w X(w) ( x 1 p X (x) = r 1 0, c.c. ) p r (1 p) n r, x = r,r + 1, (2.11) Notação: X Pas(r, p) Obs: X Pas(1, p) X Geo(p) Poisson(λ) Definição 2.5. Um Processo de Poisson é definido pelas seguintes hipóteses: 1. Os números de ocorrências do processo durante intervalos de tempo não-sobrepostos constituem variáveis aleatórias independentes;
21 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS Se X t é o número de ocorrências do processo no intervalo de [0,t) e Y t é o número de ocorrências do processo no intervalo de [t,t 1 +t), para qualquer t 1 > 0, então as variáveis aleatórias X t e Y t têm a mesma distribuição de probabilidade; 3. Seja p n (t) = P(X t = n). Então p 1 ( t) λ t, se t for suficientemente pequeno, onde λ é uma constante positiva; 4. Para t suficientemente pequeno, k=2 p k( t) 0; 5. X 0 = 0 ou, equivalentemente, p 0 (0) = 1. O Modelo Poisson Seja um experimento aleatório ε satisfazendo as condições do Processo de Poisson e defina X t como a variável aleatória que denota o número de ocorrências do Processo de Poisson em um intervalo qualquer de comprimento t. A função de probabilidade de X t é obtida resolvendo-se uma equação diferencial definida pelas hipóteses (a)-(e) (v. Paul Meyer para demonstração) e dada por: p X t (x) = { e λ t (λ t) x x! x = 0,1, 0, c.c. Alguns exemplos usuais de Processos de Poisson são: (2.12) Número de chamadas chegando a uma central telefônica, durante um período de t instantes; Número de estrelas encontradas em uma parte da Via Láctea com volume t; Número de glóbulos sangüíneos visíveis em um microscópio, por unidade quadrada de área. Exemplo 2.3. Suponha que o número de ligações chegando a uma central telefônica tenha distribuição de Poisson com parâmetro λ= 5 ligações/minuto. Determine: (a) A probabilidade de ocorrerem mais que 2 ligações em 1 minuto (b) Idem, em 10 minutos.
22 2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 22 Exemplo 2.4. Em um cruzamento com tráfego intenso, a probabilidade de um carro sofre acidente é bastante pequena e estimada como p = Durante certa parte do dia, por exemplo daàs 18:00h, um grande número de carros passa pelo cruzamento, algo como carros. (a) Nessas condições, qual é a probabilidade de que 2 ou mais carros se acidem naquele período? (b) E se o número de carros passando pelo cruzamento for ? (c) E se o número de carros passando pelo cruzamento for ? Aproximação da Binomial(n,p) pela Poisson(np) Teorema 2.1. Seja X Bin(n, p). Então, quando n e p 0, de tal forma que np = λ, a distribuição de Xaproxima-se da Poisson(λ = np) Demonstração: p X (x) = = = ( n x ) p x (1 p) n x, x = 0,1,2,,n n! x!(n x)! px (1 p) n x n(n 1)(n 2) (n x + 1 p x (1 p) n x. (2.13) x! Façamos λ = np. p = λ n. p X (x) = = n(n 1) (n (x 1)) x! ( λ n ) x ( n λ ( n ) ( ) ( ) n 1 n (x 1) λ x n n n x! ( = ) ( 1 n ) (x 1) λ x n x! n ) n x ( ) n n λ n ( ) x n λ n ) n ( n λ n ( n λ n Agora, faça n, de tal forma que np = λ permaneça constante, o que implica que p 0. lim p X(x) = λ x ( n x! lim 1 1 ) n n n = λ x e λ. x! ) x.
23 2.3 MOMENTOS DE VARIÁVEIS ALEATÓRIAS DISCRETAS 23 Voltemos ao exemplo 2.4. Aplicando a aproximação, para n = , temos: X a Poisson( } {{ } ) 1 P(X 2) = 1 P(X = 0) P(X = 1) 1 e e = 1 2e 1 = ! 1! 2.3 Momentos de Variáveis Aleatórias Discretas Definição 2.6. O k-ésimo momento de uma variável aleatória X é dado por: µ k = E[X k ] (2.14) Se X é variável aleatória discreta, então seu k-ésimo momento pode ser calculado por: Em particular, E[X] = µ 1 V [X] = E[X 2 ] E 2 [X] = µ 2 µ 2 1 µ k = E[X k ] = x k p X (x) (2.15) x A tabela a seguir resume o valor esperado e a variância de algumas variáveis aleatórias discretas. Distribuição de X E[X] V [X] Bernoulli(p) p p(1 p) Binomial(n, p) np np(1 p) N n Hipergeométrica(N, n, r) np N 1 (p(1 p), p = N r Geométrica(p) 1 p (1 p) p 2 Pascal(r, p) r p r(1 p) p 2 Poisson(λ) λ λ
24 2.4 EXERCÍCIOS Exercícios 1. De um lote que contém 25 peças, das quais 5 são defeituosas, são escolhidas 4 ao acaso. Seja X o número de defeituosas encontradas. Estabeleça a distribuição de probabilidade de X, quando: a) As peças forem escolhidas com reposição; b) As peças forem escolhidas sem reposição. 2. Sabe-se que a v. a. X assume os valores 1, 2 e 3 e que sua f.d.a. F(x) é tal que: F(1) F(1 ) = 1/3; F(2) F(2 ) = 1/6; F(3) F(3 ) = 1/2. Obtenha a distribuição de X, a f.d.a. F(x) de X e seus respectivos gráficos. Obs: F(l ) é o limite de F(x) quando x tende a l pela esquerda. 3. Uma fábrica produz 10 recipientes de vidro por dia. Deve-se supor que exista uma probabilidade constante p = 0, 1 de produzir um recipiente defeituoso. Antes que esses recipientes sejam estocados, eles são inspecionados e e os defeituosos são separados. Admita que exista uma probabilidade constante r = 0,1 de que um recpiente defeituoso seja mal classificado. Faça X igual ao número de recipientes classificados como defeituosos ao fim de um dia de produção. Admita que todos os recipientes fabricados em um dia sejam inspecionados naquele mesmo dia. a) Calcule P(X = 3) e P(X > 3). b) Obtenha a expressão de P(X = k) 4. Uma indústria fabrica peças, das quais 20% são defeituosas. Dois compradores, A e B, classificam as peças adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80 u.m., respectivamente, para cada categoria. A classificação é feita de acordo com os seguintes critérios: Comprador A: Retira uma amostra aleatória de 5 peças. Se encontrar mais que uma defeituosa, classifica como II. Comprador B: Retira uma amostra aleatória de 10 peças. Se encontrar mais que duas defeituosa, classifica como II. a) Determine a função de probabilidade das variáveis aleatórias V A e V B. respectivamente os preços de venda aos compradores A e B. b) Determine a função de distribuição acumulada de V A e V B. c) Em média, qual dos compradores oferece maior lucro? d) Em uma situação de tomada de decisão real, o maior lucro médio (ou esperado) seria suficiente para definir a escolha? Que outros critérios poderiam ser levados em conta? 5. Uma companhia de seguros descobriu que somente cerca de 0,1% da população está incluída em certo tip de acidente a cada ano. Se seus segurados são escolhidos, ao caso, na população; qual é a probabilidade de que não mais que 5 de seus clientes venham a estar incluídos em tal acidente no próximo ano?
25 2.4 EXERCÍCIOS Uma fonte radioativa é observada por 7 intervalos de tempo, cada um com dez segundos de duração. O número de partículas emitidas durante cada período é contado. Suponha que o número de partículas emitidas, X, tenha distribuição de Poisson e que, em média, sejam emitidas 0,5 partículas por segundo. a) Qual é a probabiliadde de que, a cada um dos 7 intervalolos de tempo, 4 ou mais partículas sejam emitidas? b) Qual é a probabilidade de que, em ao menos 1 dos 7 intervalos, 4 ou mais partículas sejam emitidas? 7. A probabilidade de um bem sucedido lançamento de foguete é 0,8. Suponha que tentativas de lançamento sejam feitas até que tenham ocorrido 3 lançamentos bem sucedidos. a) Qual é a probabilidade de que exatamente 6 tentativas sejam necessárias? b) Qual é a probabilidade de que menos de 6 tentativas sejam necessárias? c) Se cada tentativa de lançamento custa u.m. e se um lançamento falho custa 500 u.m. adicionais, determine o custo esperado da operação. d) Suponha agora que as tentativas sejam feitas até que três lançamentos consecutivos sejam bem sucedidos. Responda novamente as perguntas (a) e (b) nesse caso. 8. A probabilidade de que um bit seja transmitido com erro por um canal de transmissão digital é 0,1. Assuma que as transmissões sejam ensaios independentes. a) Seja X o número de bits transmitidos até que ocorra o primeiro erro. Determine a distribuição de X. b) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmissão. c) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmissão, após já se ter observado 3 ensaios, sem que ocorresse erro. d) Determine o número esperado e o coeficiente de variação do número de ensaios até o primeiro erro. O número esperado de ensaior é um bom preditor nesse caso? e) Seja Y o número de transmissões até a ocorrência do quarto erro. Determine a distribuição de Y. f) Determine a probabilidade de se precisar observar no máximo 6 ensaios de transmissão g) Determine o número esperado e o coeficiente de variação do número de ensaios até o quarto erro. 9. O número de navios petroleiros que chegam a uma certa refinaria, a cada dia, tem distribuição Poisson, com parâmetro λ = 2. As atuais instalações do porto podem atender a três petroleiros por dia. Se mais de três petroleiros aportarem por dia, os excedentes a três deverão seguir para outro porto. a) Em um dia, qual é a probabilidade de se ter de mandar petroleiros a outro porto?
Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos
Leia maisDistribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta
Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisPE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maisLISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS
LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS 1. Construir um quadro e o gráfico de uma distribuição de probabilidade para a variável aleatória X: número de coroas obtidas no lançamento de duas moedas. 2. Fazer
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisAula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.
Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos
Leia maisBioestatística Aula 3
Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento
Leia maisCAPÍTULO 5 - Exercícios
CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos
Leia maisAula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos
Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Organização: Airton Kist Digitação: Guilherme Ludwig Exercício Se X b(n, p), sabendo-se que E(X ) = 12 e σ 2 = 3, determinar:
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisPrimeira Lista de Exercícios de Estatística
Primeira Lista de Exercícios de Estatística Professor Marcelo Fernandes Monitor: Márcio Salvato 1. Suponha que o universo seja formado pelos naturais de 1 a 10. Sejam A = {2, 3, 4}, B = {3, 4, 5}, C =
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisRegra do Evento Raro p/ Inferência Estatística:
Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento
Leia maisEstatística e Probabilidade. Aula 4 Cap 03. Probabilidade
Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para
Leia maisAula 11 Esperança e variância de variáveis aleatórias discretas
Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Experimentos de Bernoulli) Considere as seguintes experimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisPROBABILIDADE Prof. Adriano Mendonça Souza, Dr.
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisDistribuições: Binomial, Poisson e Normal. Distribuição Binomial
Distribuições: Binomial, Poisson e Normal Distribuição Binomial Monitor Adan Marcel e Prof. Jomar 1. Uma remessa de 800 estabilizadores de tensão é recebida pelo controle de qualidade de uma empresa. São
Leia maisAula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisVariáveis Aleatórias Contínuas
Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica
Leia maisVariáveis Aleatórias Discretas e Distribuições de Probabilidade
Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções
Leia maisC Curso destinado à preparação para Concursos Públicos e Aprimoramento Profissional via INTERNET www.concursosecursos.com.br RACIOCÍNIO LÓGICO AULA 7
RACIOCÍNIO LÓGICO AULA 7 TEORIA DAS PROBABILIDADES Vamos considerar os seguintes experimentos: Um corpo de massa m, definida sendo arrastado horizontalmente por uma força qualquer, em um espaço definido.
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisIntrodução à Probabilidade e Estatística
Professor Cristian F. Coletti Introdução à Probabilidade e Estatística (1 Para cada um dos casos abaixo, escreva o espaço amostral correspondente e conte seus elementos. a Uma moeda é lançada duas vezes
Leia maisProbabilidade - aula III
27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade
Leia mais1 Probabilidade Condicional - continuação
1 Probabilidade Condicional - continuação Exemplo: Sr. e Sra. Ferreira mudaram-se para Campinas e sabe-se que têm dois filhos sendo pelo menos um deles menino. Qual a probabilidade condicional que ambos
Leia maisExercícios Resolvidos sobre probabilidade total e Teorema de Bayes
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.
Leia maisBom serviço dentro da garantia Serviço deficiente dentro da garantia Vendedores de determinada marca de pneus 64 16
Lista de Probabilidade Básica com gabarito 1. Considere a experiência que consiste em pesquisar famílias com três crianças, em relação ao sexo das mesmas, segundo a ordem de nascimento. (a)determine o
Leia maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisCAPÍTULO 4 Exercícios Resolvidos
CAPÍTULO 4 Exercícios Resolvidos R4.1) Condição para concretização de uma venda Um certo tipo de componente é vendido em lotes de 1000 itens. O preço de venda do lote é usualmente de 60 u.m. Um determinado
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia maisMAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos
Leia maisNoções de Probabilidade
Noções de Probabilidade Bacharelado em Economia - FEA - Noturno 1 o Semestre 2015 Gilberto A. Paula G. A. Paula - MAE0219 (IME-USP) Noções de Probabilidade 1 o Semestre 2015 1 / 59 Objetivos da Aula Sumário
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisPROBABILIDADE. Aula 5
Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,
Leia mais2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea
2 O objetivo geral desse curso de Cálculo será o de estudar dois conceitos básicos: a Derivada e a Integral. No decorrer do curso esses dois conceitos, embora motivados de formas distintas, serão por mais
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia maisUtilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisCAPÍTULO 9 Exercícios Resolvidos
CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisCAPÍTULO I - ELEMENTOS DE PROBABILIDADE
CAPÍTULO I - ELEMENTOS DE PROBABILIDADE 1.1 INTRODUÇÃO Em geral, um experimento ao ser observado e repetido sob um mesmo conjunto especificado de condições, conduz invariavelmente ao mesmo resultado. São
Leia maisDistribuições de Probabilidade Distribuição Binomial
PROBABILIDADES Distribuições de Probabilidade Distribuição Binomial BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisINE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE
INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.
Leia maisMódulo VIII. Probabilidade: Espaço Amostral e Evento
1 Módulo VIII Probabilidade: Espaço Amostral e Evento Suponha que em uma urna existam cinco bolas vermelhas e uma branca. Extraindo-se, ao acaso, uma das bolas, é mais provável que esta seja vermelha.
Leia maisO B. Podemos decompor a pirâmide ABCDE em quatro tetraedros congruentes ao tetraedro BCEO. ABCDE tem volume igual a V = a2.oe
GABARITO - QUALIFICAÇÃO - Setembro de 0 Questão. (pontuação: ) No octaedro regular duas faces opostas são paralelas. Em um octaedro regular de aresta a, calcule a distância entre duas faces opostas. Obs:
Leia mais(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?
Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisESCOLA DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS NOME: N O :
ESCOLA DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA INTRODUÇÃO AO ESTUDO DAS FUNÇÕES PROF. CARLINHOS NOME: N O : 1 FUNÇÃO IDÉIA INTUITIVA DE FUNÇÃO O conceito de função é um dos mais importantes da matemática.
Leia maisI. Experimentos Aleatórios
A teoria do azar consiste em reduzir todos os acontecimentos do mesmo gênero a um certo número de casos igualmente possíveis, ou seja, tais que estejamos igualmente inseguros sobre sua existência, e em
Leia maisPROBABILIDADE PROFESSOR: ANDRÉ LUIS
PROBABILIDADE PROFESSOR: ANDRÉ LUIS 1. Experimentos Experimento determinístico: são aqueles em que o resultados são os mesmos, qualquer que seja o número de ocorrência dos mesmos. Exemplo: Um determinado
Leia maishttp://www.de.ufpb.br/~luiz/
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências
Leia maisBacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções
Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades BC 0005 Bases Computacionais da Ciência Representação Gráfica de Funções Prof a Maria das Graças Bruno Marietto graca.marietto@ufabc.edu.br
Leia maisCONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Leia maisFaculdade Tecnológica de Carapicuíba Tecnologia em Logística Ênfase em Transportes Notas da Disciplina de Estatística (versão 8.
Faculdade Tecnológica de Carapicuíba Tecnologia em Logística Ênfase em Transportes Notas da Disciplina de Estatística (versão 8.) PROBABILIDADE Dizemos que a probabilidade é uma medida da quantidade de
Leia mais2 Modelo para o Sistema de Controle de Estoque (Q, R)
Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de
Leia maisCap. 4 - Probabilidade
statística para Cursos de ngenharia e Informática edro lberto Barbetta / Marcelo Menezes Reis / ntonio Cezar Bornia São aulo: tlas, 2004 Cap. 4 - robabilidade OIO: undação de Ciência e Tecnologia de Santa
Leia maisAV2 - MA 12-2012. (a) De quantos modos diferentes posso empilhá-los de modo que todos os CDs de rock fiquem juntos?
Questão 1. Num porta-cds, cabem 10 CDs colocados um sobre o outro, formando uma pilha vertical. Tenho 3 CDs de MPB, 5 de rock e 2 de música clássica. (a) De quantos modos diferentes posso empilhá-los de
Leia maisProbabilidade - Conceitos Básicos. Anderson Castro Soares de Oliveira
- Conceitos Básicos Castro Soares de Oliveira é o ramo da matemática que estuda fenômenos aleatórios. está associada a estatística, porque sua teoria constitui a base de estatística inferencial. Conceito
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Fenômeno Aleatório: situação ou acontecimento cujos resultados não podem ser determinados com certeza. Exemplos: 1. Resultado do lançamento de um dado;. Hábito de fumar de um estudante
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisLista de Exercícios. Vetores
Lista de Exercícios Vetores LINGUAGEM DE PROGRAMAÇÃO PROF. EDUARDO SILVESTRI. WWW.EDUARDOSILVESTRI.COM.BR ATUALIZADO EM: 13/03/2007 Página 1/1 1. Faça um programa que crie um vetor de inteiros de 50 posições
Leia maisLista IV - Curva Normal. Professor Salvatore Estatística I
Lista IV - Curva Normal Professor Salvatore Estatística I 19/12/2011 Consulta à tabela Normal: 1. Estabeleça a área entre 0 (zero) e Zi igual a a. + 1,35 b. + 1,58 c. +2,05 d. +2,76 e. -1,26 f. -2,49 g.
Leia maisDistribuição Binomial
Distribuição Binomial Exemplo Na manufatura de certo artigo, é sabido que um entre dez artigos é defeituoso. Qual a probabilidade de que uma amostra casual de tamanho quatro contenha: (a) Nenhum defeituoso?
Leia maisProbabilidade - aula I
e 27 de Fevereiro de 2015 e e Experimentos Aleatórios e Objetivos Ao final deste capítulo você deve ser capaz de: Entender e descrever espaços amostrais e eventos para experimentos aleatórios. Interpretar
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisIntrodução à análise de dados discretos
Exemplo 1: comparação de métodos de detecção de cárie Suponha que um pesquisador lhe apresente a seguinte tabela de contingência, resumindo os dados coletados por ele, oriundos de um determinado experimento:
Leia maisExercícios resolvidos sobre Definição de Probabilidade
Exercícios resolvidos sobre Definição de Probabilidade Nesta Unidade de estudo, até este ponto você aprendeu definições de probabilidade e viu como os conceitos se aplicam a várias situações. Observe agora
Leia maisLógica e Raciocínio. Decisão sob Risco Probabilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/
Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Decisão sob Risco Probabilidade 1 Probabilidade Em decisões sob ignorância a probabilidade dos diferentes resultados e consequências
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais4. σ 2 Var X p x q e σ Dp X Podemos escrever o modelo do seguinte modo:
Distribuições de Probabilidades Quando aplicamos a Estatística na resolução de problemas administrativos, verificamos que muitos problemas apresentam as mesmas características o que nos permite estabelecer
Leia maisUnidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá
Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá 2006/2 Unidade 2 - PROBABILIDADE Conceitos básicos * Probabilidade:
Leia maisPremium até 10 S.M. 180 60 30 20 10 a 20 S.M. 80 40 40 40 20 a 30 S.M. 60 30 60 70 mais de 30 S.M. 40 20 70 160
1 MQI 2003 Estatística para Metrologia semestre 2008.01 LISTA DE EXERCÍCIOS # 1 PROBLEMA 1 Uma empresa de TV a cabo toma uma amostra de 1000 clientes, com o objetivo de verificar a relação entre a renda
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisA probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento.
Probabilidade A probabilidade estuda o risco e a ocorrência de eventos futuros determinando se existe condição de acontecimento ou não. O olhar da probabilidade iniciou-se em jogos de azar (dados, moedas,
Leia maisINSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1
1 INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1. Origem histórica É possível quantificar o acaso? Para iniciar,
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisQUALITATIVA VARIÁVEL QUANTITATIVA
NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença
Leia mais